考慮城市軌道交通出行特征,將新冠疫情下城市軌道交通系統(tǒng)內(nèi)的乘客分為易感者、感染者、暴露者;假設(shè)病毒自由傳播,以疫情發(fā)生初期的病例為研究對象,結(jié)合相關(guān)研究,選擇病毒傳染概率為0.41;將感染者乘坐城市軌道交通的過程分為出入站階段和乘車階段,考慮病毒有效傳播范圍、人群分布特征、人群流動特征,建立新冠疫情在城市軌道交通系統(tǒng)內(nèi)部的傳播模型;以某市地鐵為模擬案例,假如有13個感染者乘坐地鐵,結(jié)合歷史客運數(shù)據(jù)確定模型參數(shù)的取值,預(yù)測不同載運水平下可能造成的感染人數(shù),同時研究與可能感染人數(shù)相關(guān)的各類要素。研究結(jié)果表明:當(dāng)載運水平降低至平均水平的10%時,多數(shù)案例的可能感染人數(shù)降低至1人以下,證明了城市軌道交通客流管控強度的有效性,起終點站內(nèi)人數(shù)折減引起的感染人數(shù)變化（小于20%）低于車廂人數(shù)折減引起的變化（60%～80%）,說明相比起終點站內(nèi)人數(shù),車廂內(nèi)的人群密集程度對可能感染人數(shù)的影響更加顯著;在經(jīng)停時,假如上下車人數(shù)之比不大于1,則能有效控制可能感染人數(shù)的升高;當(dāng)經(jīng)停站數(shù)與可能感染人數(shù)非線性正相關(guān)時,載運水平、經(jīng)停站數(shù)、可能感染人數(shù)之間的函數(shù)關(guān)系具有較高的擬合優(yōu)度（決定系數(shù)為0.700 1）。 

【文章來源】：交通運輸工程學(xué)報. 2020,20(03)北大核心EICSCD

【文章頁數(shù)】：11 頁

【部分圖文】：

城市軌道交通站內(nèi)人員分布

假設(shè)乘車過程中,感染者和周圍人群在車廂內(nèi)保持靜止,只在停車上下乘客期間產(chǎn)生人員的流動,其過程如圖2所示。在每次停車過程中,乘客的出入造成人群的重組,因此,可以近似認為有效范圍內(nèi)的乘客在每次停站時均經(jīng)歷一次更新。如圖2所示,停車過程中進入和離開車廂的人員為更新人員,但這些人員中并非所有都會進入有效范圍,只有進入有效范圍的人員才可能成為暴露者,因此,停車過程中有效范圍內(nèi)的人員更新和整個車廂的人員流動是同步的,在假設(shè)車廂內(nèi)部人員分布均勻的條件下,可以認為有效范圍內(nèi)的人員更新率和車廂的人員更新率相同。假設(shè)感染者乘車初始時車廂內(nèi)部人數(shù)為q,車廂面積為S′,則此時的暴露者人數(shù)n 2 0 為

已知模擬病例出入站時的站內(nèi)人數(shù)和乘車時的車廂人數(shù)是反映實時載運水平的2個關(guān)鍵參數(shù),基于模擬的COVID-19感染者13個地鐵出行行程信息及地鐵客運數(shù)據(jù),預(yù)測高峰客運水平、平均客運水平、模擬客運水平以及10%～60%(相比平均客運水平)載運強度折減下的COVID-19可能感染人數(shù),如圖3所示,其中:模擬水平表示在模擬病例乘坐地鐵時刻的載運水平下,按式(6)測算出的可能感染人數(shù);高峰水平、平均水平分別表示該模擬病例在高峰、平均載運水平下乘坐地鐵,在行程不變的情況下測算出的可能感染人數(shù);其余結(jié)果為各案例下載運水平均勻折減(站內(nèi)人數(shù)、車廂人數(shù)等比例縮減)時測算出的可能感染人數(shù)。總體上來看,隨著城市軌道交通載運水平的不斷降低,各案例中可能感染人數(shù)也隨之降低,且載運水平與可能感染人數(shù)呈線性正相關(guān)關(guān)系。Troko等[20]的研究結(jié)論表明,急性呼吸道傳染病擴散速度與公共交通使用強度之間有顯著的線性正相關(guān)關(guān)系,與圖3所得結(jié)論相符,這在一定程度上證明了COVID-19在城市軌道交通系統(tǒng)內(nèi)傳播模型的合理性和準確度。根據(jù)某市城市軌道交通歷史客運數(shù)據(jù)可知,該市地鐵載運水平在COVID-19防疫期間下降至往期水平的1/10以下。由圖3可知:當(dāng)載運水平降低至平均水平的10%時,絕大多數(shù)案例的可能感染人數(shù)均降低至1人以下,該結(jié)論可以支持防疫期間某市地鐵所采取的載運水平管控強度,但需要注意的是,該結(jié)論是基于本文建立的模型得到的,且模型對模擬病例的出行過程進行了相應(yīng)處理;其次,部分模擬病例在出行中很可能出現(xiàn)咳嗽和打噴嚏的現(xiàn)象;第三,即使將運力控制在10%以下,由于地鐵站內(nèi)人群分布存在不均勻性,也無法保證人群之間間隔足夠的距離,因此,實際情況下新感染人數(shù)可能大于模型預(yù)測的理論值。

【參考文獻】：
期刊論文
[1]基于時變參數(shù)-SIR模型的COVID-19疫情評估和預(yù)測[J]. 喻孜,張貴清,劉慶珍,呂忠全.  電子科技大學(xué)學(xué)報. 2020(03)
[2]基于SEIR的新冠肺炎傳播模型及拐點預(yù)測分析[J]. 范如國,王奕博,羅明,張應(yīng)青,朱超平.  電子科技大學(xué)學(xué)報. 2020(03)
[3]新型冠狀病毒肺炎流行病學(xué)特點和治療藥物研究進展[J]. 孫晨,江亞南,趙繼敏.  中國現(xiàn)代醫(yī)學(xué)雜志. 2020(06)
[4]修正SEIR傳染病動力學(xué)模型應(yīng)用于湖北省2019冠狀病毒病（COVID-19）疫情預(yù)測和評估[J]. 曹盛力,馮沛華,時朋朋.  浙江大學(xué)學(xué)報(醫(yī)學(xué)版). 2020(02)
[5]中國新冠肺炎疫情預(yù)測建模與理性評估[J]. 金啟軒.  統(tǒng)計與決策. 2020(05)
[6]基于一類時滯動力學(xué)系統(tǒng)對新型冠狀病毒肺炎疫情的建模和預(yù)測[J]. 嚴閱,陳瑜,劉可伋,羅心悅,許伯熹,江渝,程晉.  中國科學(xué):數(shù)學(xué). 2020(03)
[7]多主體仿真在公共衛(wèi)生事件應(yīng)急管理中的應(yīng)用——以一個傳染病政策仿真系統(tǒng)為例[J]. 李璐,宣慧玉.  西安交通大學(xué)學(xué)報(社會科學(xué)版). 2010(01)



本文編號：3346953